Großdatenanalyse von Wearable-Sensoren zeigt raumzeitliche Verletzungsmuster bei Profi-Tennisspielern

Warum das Verfolgen von Tennisverletzungen wichtig ist

Professionelles Tennis wirkt im Fernsehen elegant, doch hinter jedem Aufschlag und jedem Sprint steht eine hohe Belastung für den Körper. Diese Studie nutzt tragbare Sensoren und moderne Datenanalyse, um eine einfache Frage mit großen Konsequenzen für Spieler und Trainer zu stellen: Wann, wo und wie entstehen Verletzungen wirklich im Laufe einer Saison, und lassen sich Warnsignale früh genug erkennen, um sie zu verhindern?

Spieler als bewegte Daten

Um dieses Problem anzugehen, statteten die Forschenden 45 Profi-Spieler über ein ganzes Jahr Training und Wettkämpfe mit einem Netzwerk aus leichten, am Körper getragenen Sensoren aus. Kleine Einheiten an Handgelenken, Schulter, unterem Rücken und Schuhen erfassten Bewegungen und Aufprallkräfte, während weitere Sensoren Herzfrequenz und Position auf dem Platz registrierten. Zusammen zeichneten sie tausende Stunden Bewegung auf, von explosiven Aufschlägen bis zu langen Grundlinienduellen, und erzeugten so ein detailliertes Bild davon, wie der Körper in echten Spielsituationen belastet wird.

Wann Verletzungen im Jahresverlauf auftreten

Indem das Team diese Spieler durch Vorbereitungszeit, Turniermonate und Off-Season verfolgte, zeigte sich, dass Verletzungen nicht zufällig auftreten. Stattdessen steigen und fallen sie in einem saisonalen Rhythmus. Spitzen traten während intensiver Trainingsphasen und dichter Wettkampfperioden auf, besonders wenn die Gesamtbelastung schnell anstieg. Überlastungsverletzungen, die sich schrittweise entwickeln, waren am häufigsten in der Vorbereitungszeit und in Wochen mit hoher Trainingsintensität, während plötzliche akute Verletzungen eher mit Wettkämpfen und matchähnlichen Situationen verbunden waren. Diese Muster legen nahe, dass die zeitliche Strukturierung des Trainings über Wochen und Monate eine entscheidende Rolle für das Verletzungsrisiko spielt.

Wo der Körper am meisten versagt

Die Sensordaten enttarnten zudem deutliche Hotspots am Körper. Fast die Hälfte aller Verletzungen konzentrierte sich auf Schulter und Ellbogen, die Schlüsselgelenke für Aufschlag und Vorhand, während etwa ein Drittel den unteren Rücken und die Hüften betraf, die Rotation des Rumpfs und die Platzabdeckung antreiben. Durch das Abbilden der Verletzungen in ein einfaches Körperkoordinatensystem zeigte die Studie dichte Cluster in diesen Regionen, mit deutlich weniger Problemen an Knien und Sprunggelenken. Die Analyse verband diese Hotspots mit spezifischen Bewegungsmerkmalen, etwa sehr hohen Rotationsgeschwindigkeiten beim Aufschlag und asymmetrischer Belastung der beiden Beine bei seitlichen Bewegungen.

Algorithmen suchen nach Warnsignalen

Da die Sensordatenströme massiv und komplex sind, setzten die Forschenden moderne Methoden des maschinellen Lernens ein, um sie zu durchforsten. Sie trainierten fortgeschrittene Modelle, darunter ein Transformer-Netzwerk ähnlich denen aus der Sprachtechnologie, um Muster in Bewegung, Belastung und Herzsignalen mit späteren Verletzungsereignissen zu verknüpfen. Indem sie Informationen darüber kombinierten, wann in der Saison die Daten aufgezeichnet wurden und wo am Körper Probleme auftraten, kennzeichnete das beste Modell Hochrisikoperioden in etwa neun von zehn Fällen korrekt und erfasste die meisten subtilen, langsam ansteigenden Risikoänderungen, die einfachere Methoden verfehlten.

Was das für Spieler und Trainer bedeutet

Für Nicht-Fachleute ist die Kernbotschaft, dass Verletzungen im Profi-Tennis erkennbare zeitliche und räumliche Muster folgen und nicht reiner Pech sind. Die meisten Probleme konzentrieren sich am Schlagarm und im Bereich unterer Rücken–Hüfte, und sie treten verstärkt während intensiver Trainings- und Wettkampfphasen auf, wenn die Gesamtbelastung schlecht mit Erholung ausbalanciert ist. Mit tragbaren Sensoren und intelligenten Algorithmen könnten Trainer und medizinisches Personal vom Reagieren auf eingetretene Verletzungen zu frühzeitigen Warnungen übergehen, wenn Bewegungsqualität, Belastung oder Körpersignale anzeigen, dass ein Spieler in die Gefahrenzone driftet.

Zitation: Han, G., Zhang, Y. & Sun, B. Wearable sensor big data analysis reveals spatiotemporal injury patterns in professional tennis players. Sci Rep 16, 14804 (2026). https://doi.org/10.1038/s41598-026-44199-9

Schlüsselwörter: Tennisverletzungen, Wearable-Sensoren, Sportdaten, Verletzungsvorhersage, Maschinelles Lernen